Karpathy 4/30 在 Sequoia Ascent 把今年最有用的 AI 解释，压缩成三个论点。读完你看 AI 的方式会变。

1. AI 不只是"更快"，是新范式
过去 2 年大家都在讲 AI 让事情变快。
Karpathy 说这是误读。
举 3 个 AI 重新定义任务的例子：
- menugen：图进图出，没有传统代码，整个 app 被 LLM 吞掉
- .md skills：装软件不写 .sh 脚本，写一段中文/英文说明，让 LLM 自己理解你的环境去装
- LLM 知识库：传统代码做不到的事——把任意格式的非结构化文本变成可计算的知识
第一类是"减少代码"，第二类是"用英文当代码"，
第三类是"传统代码本来就做不到"。
2. Jagged Edge — 为什么 AI 同时全能又愚蠢
最核心的论点。
为什么同一个 AI 能 refactor 10 万行代码，
又会建议你走去洗车？不是模型抽风。
Karpathy 原话：
"You're either on the rails of the RL circuits and flying,
or off-roading in the jungle with a machete."
要么你在 RL 训练好的圆圈里飞，
要么你在丛林里挥砍刀。
决定哪些任务进训练分布的两个因素：
verifiability（结果可验证）+ economics（值不值得 frontier labs 砸钱 RL）
数学竞赛 / 编程 / 定理证明：
高可验证 + 高 TAM → 进圆圈 → 你用的时候在飞
日常生活建议 / 冷门语言文学 / 长尾任务：
低 TAM → 没进 RL → 你在丛林挥砍刀
不是 AI 越来越强这种线性叙事。
是参差不齐的边界，你必须知道自己站在哪边。
3. Agent-native economy
最后一个论点：未来软件分解成
sensor（输入）+ actuator（执行）+ logic（推理）
logic 层全部跑在 LLM 上，
sensor / actuator 用传统代码做协处理器。
含义：把信息做得对 LLM 最易读，
是接下来软件设计的核心约束。
---
三个论点是一个连贯框架：
新范式让你看见 AI 能做什么之前做不到的事，
jagged edge 让你识别 AI 做不到的事在哪里，
agent-native 让你知道剩下的事怎么 wrap 给 AI。
不是"AI 越来越强"。
是"哪些任务在圆圈，哪些任务在丛林"。